حداقل سازی خطای پیش بینی مدل های طبقه بندی تصویر با استفاده از کدگذاری تنک و تطبیق دامنه

تطبیق دامنه می تواند دانش را از یک مجموعه آموزشی (دامنه منبع) به یک مجموعه آزمایشی (دامنه هدف) انتقال دهد تا بازدهی مدل یادگرفته شده از داده های آموزشی افزایش یابد. علاوه بر این، استفاده از کدگذاری تنک، مدل یادگرفته شده را بسیار مختصر نموده و کنترل آن را ساده می نماید. با این حال، اختلاف توزیع بین دامنه های منبع و هدف بازدهی مدل را کاهش می دهد. در این مقاله، ما یک مدل تطبیق دامنه بدون نظارت پیشنهاد می دهیم تا خطای پیش بینی مدل های طبقه بندی تصاویر را کاهش دهیم. از وزن دهی مجدد نمونه ها برای مدیریت داده های اضافه و اطلاعات بلااستفاده داده های منبع در نمایش جدید استفاده می شود. همچنین، اختلاف توزیع شرطی بین دامنه های منبع و هدف با استفاده از روی هم گذاری زیرفضاها کاهش داده می شود. روش پیشنهادی ما یک طبقه بند مستقل از دامنه تنک در زیرفضای به دست آمده می باشد که ساختار داده های ورودی را حفظ می کند. آزمایشات گسترده نشان می دهد که روش پیشنهادی ما بر روی پایگاه داده های واقعی در مقایسه با روش های به روز در حوزه یادگیری ماشین و تطبیق دامنه، 49/4% بهبود در صحت طبقه بندی دارد.